Win10查看CPU个数和CPU核心个数

当谈到扩展卡尔曼滤波（Extended Kalman Filter，EKF）时，通常涉及以下五个标准公式： 1. 预测状态： $\hat{x}^{-} = f(\hat{x}_{t-1}^{+}, u_t)$ 这个公式用于预测系统的状态。$\hat{x}_{t-1}^{+}$是上一时刻的状态估计，$u_t$是控制输入。函数$f$表示状态转移方程。 2. 预测协方差： $P^{-} = F_t P_{t-1}^{+} F_t^T + Q_t$ 该公式用于预测状态估计的协方差。$F_t$是状态转移方程的雅可比矩阵（Jacobian Matrix），$P_{t-1}^{+}$是上一时刻的协方差估计，$Q_t$是过程噪声的协方差矩阵。 3. 更新卡尔曼增益： $K_t = P^{-} H_t^T (H_t P^{-} H_t^T + R_t)^{-1}$ 这个公式用于计算更新步骤中的卡尔曼增益。$H_t$是观测方程的雅可比矩阵，$R_t$是观测噪声的协方差矩阵。 4. 更新状态： $\hat{x}_t^{+} = \hat{x}^{-} + K_t (z_t - h(\hat{x}^{-}))$ 该公式用于更新状态估计。$z_t$是实际观测值，$h(\hat{x}^{-})$是状态估计的观测值。 5. 更新协方差： $P_t^{+} = (I - K_t H_t) P^{-}$ 这个公式用于更新协方差估计，其中$I$是单位矩阵。 这些公式是扩展卡尔曼滤波的基本方程，用于实现状态估计的预测和更新步骤。请注意，实际应用中，还可能有一些具体的变体和改进的公式，以适应特定的问题和系统模型。